Финиш, братья. Тут получится найти ресурсы по Docker и FastAPI, прямиком с прошлого Roadmap. Прочитаете этот шаг, узнаете - "зачем?".

🔥 Level 5: MLOps & Engineering. Выводим в прод

Жестокая правда: модель в Jupyter Notebook никому не нужна. Бизнес не запускает .ipynb. Бизнесу нужен сервис, который 24/7 принимает данные и отдает прогноз.

Если вы отдаете заказчику ноутбук - вы любитель.
Если вы отдаете Docker-контейнер с API - вы профи.

🐳 1. Docker (контейнеризация)

Чтобы не было истории: "у меня на ноуте работает, а на сервере упало". Docker упаковывает код, зависимости и версии Python в изолированную среду - и это гарантированно одинаково запускается везде.

Что учить:

1) Dockerfile (как собрать образ).
2) docker build / docker run.
3) Порты и переменные окружения (ENV).
4) Volumes (если нужно сохранять файлы/модели).
5) Docker Compose - запуск "все одной командой", если у вас API + БД + трекинг.

Золотое правило: любой проект должен подниматься одной командой.

📇 2. API (FastAPI)

Модель должна общаться с миром через HTTP-запросы.

FastAPI - современный стандарт: быстрый, удобный, с автогенерацией документации (Swagger/OpenAPI).

Задача:

1) Сделать эндпоинт /predict:
- принимает JSON с признаками,
- валидирует вход (Pydantic),
- возвращает JSON с предсказанием.
2) Отдельно: /health (проверка, что сервис жив).
3) Версионирование: /v1/predict - пригодится в проде.

Плюс для демо/портфолио:
- Streamlit - быстро собрать веб-интерфейс без HTML/CSS.

👨‍💻 3. MLOps (порядок в хаосе)

В реальности вы обучаете десятки/сотни моделей. Без системы вы утонете.

Что реально нужно:

1) Трекинг экспериментов: MLflow
- гиперпараметры, метрики, артефакты, модель-реестр.
2) Версионирование данных/моделей: DVC
- Git для кода, DVC для данных и моделей (без мусора в репозитории).
3) Пайплайны и расписание: Airflow / Prefect
- чтобы обучение/обновление моделей запускалось по расписанию или по событию.
4) Качество и контроль:
- тесты (pytest) для препроцессинга и инференса,
- линтеры/форматтеры (ruff/black), pre-commit,
- CI/CD (GitHub Actions): прогнать тесты и собрать Docker-образ автоматически.
5) Мониторинг в проде (часто забывают, а это важно):
- логирование запросов/ошибок,
- мониторинг метрик (latency, error rate),
- контроль data drift / model drift (хотя бы базово).

💎 Золотые ресурсы

1) [EN] Made With ML (Goku Mohandas)
- Лучший бесплатный курс по MLOps: от идеи до деплоя.
- Там есть все: тесты, линтеры, CI/CD, Feature Store, деплой.
2) [DOCS] FastAPI Tutorial
- Документация написана как учебник.
3) [DOCS] MLflow Docs
- Быстрый старт трекинга и registry моделей.
4) [DOCS] DVC Docs
- Версионирование данных и воспроизводимые пайплайны.

👍 Гранд-финал: идеальный Pet-Project (который реально продает вас)

Чтобы вас взяли на работу, в резюме должна быть ссылка на GitHub с проектом, где есть ВСЕ:

1) Код
- чистый, разбитый на модули (без "лапши" в ноутбуке),
- конфиги (yaml/toml), понятная структура папок.
2) ML
- обучение + валидация,
- сохранение модели,
- воспроизводимость (фиксированные версии зависимостей).
3) API
- FastAPI сервис: /predict, /health,
- валидация входа, понятные ошибки.
4) Docker
- Dockerfile + (желательно) docker-compose.yml,
- запуск одной командой.
5) README.md
- что это, зачем, как запустить,
- пример запроса (curl) и пример ответа,
- как обучить модель заново.

Сделаете такой проект - вы автоматически в топ-10% кандидатов на Junior позицию.

Поздравляю. Мы прошли весь путь: от базы ML до вывода модели в прод.
Теперь Roadmap у вас перед глазами. Осталось только начать делать...

#Roadmap #MLOps #Docker #FastAPI #Deploy #Career #DataScience